| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 桥梁健康监测系统研究现状及进展 | 第9-11页 |
| 1.3 桥梁健康监测数据处理方法研究现状及进展 | 第11-12页 |
| 1.4 本文主要研究内容 | 第12-15页 |
| 2 相关理论与技术 | 第15-27页 |
| 2.1 常用异常数据检测算法 | 第15-18页 |
| 2.1.1 基于统计的异常检测 | 第15-16页 |
| 2.1.2 基于数据挖掘的异常检测 | 第16-17页 |
| 2.1.3 基于人工智能的异常检测 | 第17-18页 |
| 2.2 时间序列相关概念 | 第18-21页 |
| 2.2.1 时间序列特点 | 第19页 |
| 2.2.2 时间序列研究内容 | 第19页 |
| 2.2.3 时间序列的表示 | 第19-20页 |
| 2.2.4 时间序列的模式表示 | 第20页 |
| 2.2.5 时间序列相似性度量（距离） | 第20-21页 |
| 2.3 KNN算法原理 | 第21-22页 |
| 2.4 协方差矩阵和多元时间序列的奇异值分解 | 第22-24页 |
| 2.4.1 协方差矩阵 | 第22-23页 |
| 2.4.2 多元时间序列的奇异值分解 | 第23-24页 |
| 2.5 K-Means方法 | 第24-25页 |
| 2.6 数据质量评估方法 | 第25-27页 |
| 3 面向桥梁健康监测数据的异常数据检测 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 基于KNN距离的单一变量模式异常检测 | 第27-33页 |
| 3.2.1 数据序列的压缩分割 | 第28-31页 |
| 3.2.2 时间子序列的模式表示和距离定义 | 第31-32页 |
| 3.2.3 时间子序列之间的模式距离计算和KNN异常子序列选择 | 第32-33页 |
| 3.3 基于协方差矩阵和奇异值分解的多元时间序列异常检测 | 第33-37页 |
| 3.3.1 数据序列的滑动窗口设置与分割 | 第33-34页 |
| 3.3.2 数据子序列的协方差矩阵与奇异值分解 | 第34-35页 |
| 3.3.3 数据子序列的距离定义与权重计算 | 第35-36页 |
| 3.3.4 数据子序列的异常模式选取 | 第36-37页 |
| 4 基于K-Means分类方法的桥梁监测数据质量评估 | 第37-40页 |
| 4.1 引言 | 第37页 |
| 4.2 数据序列的基元定义 | 第37-38页 |
| 4.3 数据序列的K-Means聚类 | 第38-39页 |
| 4.4 数据质量准确率的综合评估 | 第39-40页 |
| 5 实验与结果分析 | 第40-58页 |
| 5.1 数据集描述 | 第40-42页 |
| 5.2 异常数据检测实验和结果分析 | 第42-54页 |
| 5.2.1 单一变量模式异常检测的实验 | 第42-49页 |
| 5.2.2 桥梁数据多元时间序列异常检测的实验 | 第49-54页 |
| 5.3 数据质量评估方法实验和结果分析 | 第54-58页 |
| 6 工作总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64页 |
